Did the Grid Erase the Event? EndoClock for Auditing Medical World-Model Pipelines
作者: Yarin Udi, Tom Sharon-Shahak, Roee Masad, Dan Pri-Tal
分类: cs.CV, cs.LG
发布日期: 2026-08-10
备注: Accepted for publication at the 1st MICCAI Workshop on Medical World Models (MWM 2026)
💡 一句话要点
提出EndoClock以解决医疗世界模型同步问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 医疗世界模型 多模态数据 数据同步 EndoClock 超声影像 信息保留 模型训练
📋 核心要点
- 现有的医疗世界模型在多模态数据同步时，可能会抹去与任务相关的证据，影响模型性能。
- 论文提出EndoClock，通过四个范畴的分类法来审计数据同步过程，确保关键信息的保留。
- 在心脏超声的实验中，展示了EndoClock的有效性，强调了保留原始观察过程的重要性。
📝 摘要（中文）
医疗世界模型通常从多模态录音中学习，这些录音被同步到一个固定速率的网格上。该预处理将每个原始流重新采样到共享时间轴上。当观察时钟依赖于潜在或采集状态时，它是内生的。在这种情况下，同步可能并不中立，可能会在模型看到数据之前抹去与任务相关的证据。我们提出了一个四个范畴的分类法，描述了区分目标事件或状态所需的证据存活的情况。EndoClock将该分类法操作化为保守的预训练审计，报告支持可用证据的最低见证承载表示，或在无法建立任何范畴时标记为未解决。我们在心脏超声中展示了这一失败，B模式视频写出在脉冲波多普勒采集期间停止，而相应的测量事件仅在外部采集日志中记录。该工作是初步的失败警报和可执行审计，其实际信息是保留原始观察过程，以确定同步是否抹去了所需的信息。
🔬 方法详解
问题定义：论文要解决的问题是医疗世界模型在多模态数据同步时可能抹去关键信息，导致模型无法正确理解数据。现有方法在处理内生观察时钟时存在不足，无法保证信息的完整性。
核心思路：论文的核心思路是引入EndoClock，通过四个范畴的分类法来审计数据同步过程，确保在模型训练中保留必要的证据。这样设计的目的是为了避免信息丢失，提升模型的准确性和可靠性。
技术框架：整体架构包括数据采集、同步审计和模型训练三个主要模块。首先进行多模态数据的采集，然后通过EndoClock进行同步审计，最后将审计结果应用于模型训练中。
关键创新：最重要的技术创新点在于提出了四个范畴的分类法，明确了证据存活的不同情况，并将其操作化为审计过程。这与现有方法的本质区别在于，EndoClock关注的是数据同步对信息保留的影响。
关键设计：在关键设计上，EndoClock使用保守的预训练审计策略，报告最低见证承载表示，并在无法建立任何范畴时标记为未解决。这种设计确保了模型在训练过程中能够获得尽可能完整的信息。
🖼️ 关键图片
📊 实验亮点
在心脏超声的实验中，EndoClock成功识别了在脉冲波多普勒采集期间丢失的信息，强调了同步过程中的信息保留问题。这一实验结果表明，EndoClock能够有效地审计数据同步，提升模型的性能和可靠性。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在医疗影像分析和多模态数据处理领域。通过确保关键信息的保留，EndoClock可以提高医疗模型的准确性，帮助医生更好地进行诊断和治疗。未来，该方法还可以扩展到其他领域，如自动驾驶和智能监控系统。
📄 摘要（原文）
Medical world models commonly learn from multimodal recordings synchronized onto a fixed-rate grid. This preprocessing resamples each native stream onto a shared time axis. Each stream has an observation clock that governs when observations are emitted or updated. When this clock depends on the latent or acquisition state, it is endogenous. In such settings, synchronization may not be neutral and can erase task-relevant evidence before the model sees the data. We introduce a four-regime taxonomy that characterizes where the evidence needed to distinguish a target event or state survives. The relevant witness may remain in the sampled values, in grid-cell update patterns, in native timing, or only in an external acquisition channel. EndoClock operationalizes this taxonomy as a conservative pretraining audit. It reports the lowest witness-bearing representation supported by the available evidence, or unresolved when no regime can be established. We illustrate this failure in echocardiography, where B-mode video write-outs cease during pulsed-wave Doppler acquisition while the corresponding measurement events remain recorded only in an external acquisition log. This work is a preliminary failure alert and executable audit. Its practical message is to preserve the native observation process long enough to determine whether synchronization has erased information required by the intended task.